論文の概要: Structure-based Drug Design Benchmark: Do 3D Methods Really Dominate?

• arxiv url: http://arxiv.org/abs/2406.03403v1
• Date: Tue, 4 Jun 2024 15:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 17:31:45.575826
• Title: Structure-based Drug Design Benchmark: Do 3D Methods Really Dominate?
• Title（参考訳）: 構造に基づくドラッグデザインベンチマーク:3Dメソッドは本当に支配的か?
• Authors: Kangyu Zheng, Yingzhou Lu, Zaixi Zhang, Zhongwei Wan, Yao Ma, Marinka Zitnik, Tianfan Fu,
• Abstract要約: 構造に基づく薬物設計におけるアルゴリズム間の比較は少ない。 1D/2D法は,標的タンパク質の3D構造を明示的に用いた3D法と比較して,競合性能が高いことを示す。
• 参考スコア（独自算出の注目度）: 26.854392279443086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Currently, the field of structure-based drug design is dominated by three main types of algorithms: search-based algorithms, deep generative models, and reinforcement learning. While existing works have typically focused on comparing models within a single algorithmic category, cross-algorithm comparisons remain scarce. In this paper, to fill the gap, we establish a benchmark to evaluate the performance of sixteen models across these different algorithmic foundations by assessing the pharmaceutical properties of the generated molecules and their docking affinities with specified target proteins. We highlight the unique advantages of each algorithmic approach and offer recommendations for the design of future SBDD models. We emphasize that 1D/2D ligand-centric drug design methods can be used in SBDD by treating the docking function as a black-box oracle, which is typically neglected. The empirical results show that 1D/2D methods achieve competitive performance compared with 3D-based methods that use the 3D structure of the target protein explicitly. Also, AutoGrow4, a 2D molecular graph-based genetic algorithm, dominates SBDD in terms of optimization ability. The relevant code is available in https://github.com/zkysfls/2024-sbdd-benchmark.
• Abstract（参考訳）: 現在、構造に基づく薬物設計の分野は、検索に基づくアルゴリズム、深層生成モデル、強化学習という3つの主要なアルゴリズムによって支配されている。 既存の研究は通常、1つのアルゴリズムカテゴリ内のモデルの比較に重点を置いているが、アルゴリズム間の比較は依然として少ない。 本稿では, このギャップを埋めるために, 生成分子とそのドッキング親和性の薬理特性を特定の標的タンパク質で評価することにより, これら異なるアルゴリズム基盤をまたいだ16種類のモデルの性能を評価するベンチマークを構築した。 各アルゴリズムアプローチの独特な利点を強調し、将来のSBDDモデルの設計を推奨します。 ドッキング機能をブラックボックスオラクルとして扱うことで,SBDDにおいて1D/2Dリガンド中心の薬物設計手法が利用可能であることを強調した。 実験の結果, 1D/2D法は標的タンパク質の3D構造を明示的に用いた3D法と比較して, 競合性能が向上した。 また、2D分子グラフに基づく遺伝的アルゴリズムであるAutoGrow4は最適化能力においてSBDDを支配している。 関連するコードはhttps://github.com/zkysfls/2024-sbdd-benchmarkで公開されている。

関連論文リスト

• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Learning the hub graphical Lasso model with the structured sparsity via an efficient algorithm [1.0923877073891446]
  ハブグラフィカルモデルを推定する二相アルゴリズムを提案する。 提案アルゴリズムはまず,乗算器の2つの交互方向法を用いてよい初期点を生成する。 その後、半滑らかなニュートン(SSN)ベースの拡張ラグランジアン法(ALM)を温め、実用的なタスクに十分正確な解を計算する。
  論文  参考訳（メタデータ） (2023-08-17T08:24:28Z)
• SATR: Zero-Shot Semantic Segmentation of 3D Shapes [74.08209893396271]
  大規模オフザシェルフ2次元画像認識モデルを用いて3次元形状のゼロショットセマンティックセマンティックセマンティックセグメンテーションの課題について検討する。 本研究では、SATRアルゴリズムを開発し、ShapeNetPartと提案したFAUSTベンチマークを用いて評価する。 SATRは最先端のパフォーマンスを達成し、ベースラインアルゴリズムを平均mIoUの1.3%と4%で上回っている。
  論文  参考訳（メタデータ） (2023-04-11T00:43:16Z)
• Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
  SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。 本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T22:59:46Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Discrete Morse Sandwich: Fast Computation of Persistence Diagrams for Scalar Data -- An Algorithm and A Benchmark [8.648433479399857]
  本稿では,d-次元単純複素数 K 上で定義される入力片方向線形スカラー場 f を与えられた永続図計算の効率的なアルゴリズムを提案する。 我々はこのアルゴリズムを離散モース理論の設定内で表現し、考慮すべき入力単純さの数を著しく削減する。 また、この問題に対して「サンドウィッチ」と呼ばれる階層化アプローチを導入する。
  論文  参考訳（メタデータ） (2022-06-27T10:54:24Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• Combining Latent Space and Structured Kernels for Bayesian Optimization over Combinatorial Spaces [27.989924313988016]
  我々は、高価なブラックボックス関数評価を用いて、空間(シーケンス、ツリー、グラフなど)を最適化する問題を考察する。 空間に対する最近のBOアプローチは、構造体の潜在表現を学習することで連続空間上のBOへの還元である。 本稿では,この欠点を克服するための原則的アプローチであるLADDERを提案する。
  論文  参考訳（メタデータ） (2021-11-01T18:26:22Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
  ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
  論文  参考訳（メタデータ） (2020-02-09T04:49:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。